[发明专利]语音唤醒方法、装置、电子设备及计算机可读存储介质

说明书

本发明实施例提出了一种语音唤醒方法、装置、电子设备及计算机可读存储介质，在本实施例中，利用标注有文本标签和是否为唤醒词语音的分类标签的语音样本，进行有监督训练得到多任务语音唤醒模型，从而本实施例中的多任务语音唤醒模型不仅仅可以输出语音的预测音素序列，还可以输出语音是否是唤醒词的概率(即唤醒概率)。利用预测音素序列和唤醒概率这两个因素共同判断是否唤醒，相较于传统的单因素(音素序列)判断方法，即使在噪音环境下可能无法得到准确的音素序列，也可以同时考虑唤醒概率，从而确定是否进行唤醒。从而可以提高在噪音环境下的唤醒准确率。

技术领域

本发明实施例涉及语音处理领域，特别是涉及一种语音唤醒方法、装置、电子设备及计算机可读存储介质。

背景技术

语音唤醒技术是语音识别技术中的重要分支，目前在车载设备、语音导航、语音助手、智能家居等方面有着重要的应用，用于通过声音启动程序或者服务。在语音唤醒技术中，通常采用语音唤醒模型预测是否对相应程序或者服务进行唤醒。传统的语音唤醒方法使用单任务的音素序列预测模型，根据语音信号的声学特征得到语音的音素序列，在预测出的音素序列与唤醒词对应的音素序列匹配时进行唤醒，这种语音唤醒方法的准确率在干净环境下较高，但是在背景噪音较大时由于无法准确得到语音的音素序列，导致唤醒准确率较低。

因此，目前亟需一种可以提高准确率的语音唤醒方法。

发明内容

本发明提供一种语音唤醒方法、装置、电子设备及计算机可读存储介质，通过多任务语音唤醒模型同时输出预测音素序列和唤醒概率，以确定是否唤醒，从而提高语音唤醒准确率。

为了解决上述问题，第一方面，本发明实施例提供了一种语音唤醒方法，所述方法包括：

采集用户发出的语音，提取所述语音的声学特征；

将所述声学特征输入预先训练得到的多任务语音唤醒模型，得到所述多任务语音唤醒模型的第一输出分支输出的预测音素序列，以及，所述多任务语音唤醒模型的第二输出分支输出的唤醒概率，所述多任务语音唤醒模型是利用预先标注有文本标签和分类标签的语音样本，经过训练得到的，所述文本标签为所述语音样本对应的文本，所述类别标签表征所述语音样本是否是唤醒词语音；

根据所述预测音素序列和所述唤醒概率，确定是否唤醒。

可选地，所述多任务语音唤醒模型的最后一层分为所述第一输出分支和所述第二输出分支，所述第一输出分支和所述第二输出分支共享除所述最后一层外其他层的模型参数；

所述第一输出分支为softmax层，输出类别数为所有的音素个数，用于预测所述用户发出的语音对应的音素序列；

所述第二输出分支为Sigmoid层，输出0至1的值，用于预测所述用户发出的语音是否为唤醒词语音。

可选地，所述多任务语音唤醒模型的训练步骤包括：

获取预先标注有文本标签和分类标签的语音样本，所述语音样本包括唤醒词语音和非唤醒词语音；

提取所述语音样本的声学特征；

将所述语音样本的声学特征、所述语音样本的文本标签和分类标签输入具有第一输出分支和第二输出分支的多任务模型进行训练。

可选地，所述方法还包括：

对所述语音样本的声学特征进行加噪处理，得到带噪声学特征；

将所述语音样本的声学特征、所述语音样本的文本标签和分类标签输入具有第一输出分支和第二输出分支的多任务模型进行训练，包括：

将所述语音样本的声学特征及其对应的带噪声学特征、所述语音样本的文本标签和分类标签、输入具有第一输出分支和第二输出分支的多任务模型进行训练。